[发明专利]一种人脸质量的评估方法及相关装置

权利要求书

1.一种人脸质量的评估方法，其特征在于，包括：

获取待评估图像；

在检测到所述待评估图像中存在人脸的情况下，将所述待评估图像输入预设的逆金字塔CNN网络模型，所述逆金字塔CNN网络模型输出所述待评估图像的质量评估结果；

其中，所述逆金字塔CNN网络模型的结构按照顺序包括：输入层、根模块、预设数量第一阶段网络、第二阶段网络、平均池化层、全连接分类层和输出层；其中，任一第一阶段网络包括密集块和过渡层；所述第二阶段网络包括密集块和“卷积-标准化-激活”层；所述预设数量的大小为2或3；

其中，输入所述逆金字塔CNN网络模型的待评估图像，在计算过程中特征先增后减。

2.根据权利要求1所述的方法，其特征在于，所述过渡层包括：1×1卷积核，步长为1，2×2最大池化，步长为2。

3.根据权利要求2所述的方法，其特征在于，所述预设数量为3个，3个第一阶段网络顺序连接，依次为第一密集块、第一过渡层、第二密集块、第二过渡层、第三密集块和第三过渡层；其中，所述第一密集块由3个密集层组成；所述第二密集块由4个密集层组成、所述第三密集块由4个密集层组成；

所述第二阶段网络中的密集块由4个密集层组成；

所述根模块由3个密集层组成。

4.根据权利要求1所述的方法，其特征在于，所述逆金字塔CNN网络模型是通过对初始逆金字塔CNN网络模型进行训练得到；

对所述初始逆金字塔CNN网络模型的训练过程，包括：

获取训练样本和测试样本；

基于所述训练样本和测试样本，通过调整学习率来提高逆金字塔CNN网络模型处理数据的精度，对初始逆金字塔CNN网络模型进行训练；

将在所述训练样本训练下的数据精度达到预设训练阈值，且，在所述测试样本下的测试准确率达到预设测试阈值的训练后的逆金字塔CNN网络模型，作为完成训练的逆金字塔CNN网络模型。

5.根据权利要求4所述的方法，其特征在于，所述基于所述训练样本和测试样本，通过调整学习率来提高逆金字塔CNN网络模型处理数据的精度，对初始逆金字塔CNN网络模型进行训练，包括：

获取对所述初始逆金字塔CNN网络模型进行训练的阶段参数；所述阶段参数包括：阶段数量、阶段顺序和每个阶段分别对应的训练准确度和测试准确度；其中，最后阶段的训练准确度为所述预设训练阈值，最后阶段的测试准确度为所述预设测试阈值；

按照所述阶段顺序，依次对逆金字塔CNN网络模型进行训练；

其中，对于任一阶段，对逆金字塔CNN网络模型的训练过程包括：通过调整学习率来提高逆金字塔CNN网络模型的数据处理精度，对上一阶段训练得到的逆金字塔CNN网络模型进行迭代训练，直至得到在所述训练样本下的训练准确度达到该阶段的训练准确度，且，在所述测试样本下的测试准确度达到该阶段的测试准确度的逆金字塔CNN网络模型。

6.根据权利要求5所述的方法，其特征在于，所述通过调整学习率来提高逆金字塔CNN网络模型的数据处理精度，对上一阶段训练得到的逆金字塔CNN网络模型进行迭代训练，包括：

按照预设的训练流程对最新逆金字塔CNN网络模型进行训练；

所述训练流程包括：采用梯度下降法，对最新逆金字塔CNN网络模型进行训练；如果在所述训练样本下的训练准确度，未达到该阶段预设的训练准确度，则调整学习率，采用调整后的学习率和梯度下降法继续对最新逆金字塔CNN网络模型进行训练，直至得到在训练样本下的训练准确度，达到该阶段预设的训练准确度的逆金字塔CNN网络模型；

采用所述测试样本对最新逆金字塔CNN网络模型进行测试；

如果测试准确率未达到该阶段的测试准确度，则调整学习率，并以调整后的学习率，采用所述训练样本按照所述训练流程对最新逆金字塔CNN网络模型继续进行训练，直至训练得到的逆金字塔CNN网络模型的测试准确率达到该阶段的测试准确度。

7.根据权利要求1所述的方法，其特征在于，所述质量评估结果为正常、口罩遮挡、墨镜遮挡、帽子遮挡、手部遮挡、头发遮挡和其他遮挡中的一项。